本文關鍵詞：基于組合模型的銷售預測應用研究

  更多相關文章： 銷售預測 特征分析 隨機森林 GBRT

【摘要】：隨著互聯(lián)網(wǎng)的飛速發(fā)展,傳統(tǒng)行業(yè)經(jīng)受著巨大的壓力和挑戰(zhàn),線下零售業(yè)受到電子商務不斷的沖擊,傳統(tǒng)的線下實體店消費模式正逐漸被削弱,企業(yè)迫切需要一種有效的方式對未來的銷售趨勢進行預測,為決策提供可靠的支持。伴隨著數(shù)據(jù)挖掘技術的不斷發(fā)展,各種機器學習方法在銷售預測問題上應用已經(jīng)逐漸成熟。本文以德國第三大日用品連鎖店Rossmann的銷售預測作為研究方向,針對其問題的多樣性與復雜性,本文從業(yè)務的角度對數(shù)據(jù)進行了詳細的特征分析,發(fā)現(xiàn)該問題中影響銷售的因素主要為非線性因素,并且存在著以下特點：數(shù)據(jù)在時間軸上的斷層多、周期變化的規(guī)律性不明顯、特征對銷售的影響顯著、特征類別差異大等等,根據(jù)分析的結果,本文以側重近期數(shù)據(jù)、強調(diào)時間指標、注重歷史趨勢為核心進行了特征選取,產(chǎn)生了高維度的訓練集。為了獲得更好的預測結果,本文分別設計了基于隨機森林和基于GBRT的預測模型,通過數(shù)據(jù)預處理、特征提取獲得了高質(zhì)量的訓練數(shù)據(jù),再通過實驗過程中對參數(shù)的不斷調(diào)優(yōu),獲得了較低誤差的預測結果,驗證了模型的有效性。最后針對GBRT訓練速度慢但是預測精度高的情況,使用欠擬合的隨機森林對GBRT的殘差進行初始化,實驗證明了該融合方法可以有效的提高模型的訓練速度,并且獲得比GBRT更好的性能。
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F717.6;F274
，

本文編號：1183367